联邦学习（FL）允许多个客户端协作训练机器学习模型，同时保留数据本地性，从而增强用户隐私。然而，传统的FL框架依赖中心化聚合服务器，并假设客户端是诚实但好奇的，这使其易受服务器端推理和客户端投毒攻击。先前的工作虽然探索了安全且拜占庭鲁棒的FL协议，但它们在隐私、完整性和可验证性之间存在根本性权衡，并且由于大量使用密码学原语而产生了巨大的计算和通信开销。本文提出PRoVeFL——一个新颖的模块化FL框架，兼具隐私保护、拜占庭鲁棒性和可验证聚合。PRoVeFL利用多服务器架构和多方全同态加密：每个客户端加密其本地模型更新并将加密份额分发给所有服务器。这种设计实现了混合计算模型，在严格隐私约束下将密文操作巧妙地卸载到明文域，以高效评估复杂的统计聚合规则。PRoVeFL兼容多种最先进的拜占庭鲁棒聚合算法（如Krum、Trimmed Mean、FLTrust、范数裁剪、MESAS等），并通过可验证性机制进一步增强它们，该机制仅需信任至少一个诚实服务器。我们在不同设置下进行了评估，证明了其在参数数量和参与者数量变化时的可扩展性。与先前基于分布式信任且具有可比安全性的工作Prio和ELSA相比，PRoVeFL的运行时分别提高了最多100倍和10倍。